設(shè)備剩余壽命預(yù)測與最優(yōu)維修決策

第1章 緒論
1．1 引言
1．2 設(shè)備壽命預(yù)測
1．2．1 壽命預(yù)測的基本概念
1．2．2 新研設(shè)備定壽技術(shù)
1．2．3 工作狀態(tài)下設(shè)備剩余壽命預(yù)測研究現(xiàn)狀
1．2．4 設(shè)備貯存壽命預(yù)測研究現(xiàn)狀
1．3 設(shè)備維修決策
1．3．1 維修的定義和分類
1．3．2 單部件系統(tǒng)維修決策
1．3．3 多部件系統(tǒng)維修決策
參考文獻(xiàn)
第2章 帶非線性漂移的維納退化過程建模與剩余壽命預(yù)測
2．1 維納退化過程的定義
2．2 帶非線性漂移的維納退化過程模型
2．3 帶非線性漂移的維納退化過程剩余壽命預(yù)測
2．4 帶非線性漂移的維納退化過程模型參數(shù)估計
2．4．1 估計共性參數(shù)以及隨機(jī)參數(shù)分布的超參數(shù)
2．4．2 基于貝葉斯更新策略的隨機(jī)參數(shù)實時更新
2．5 實例分析
2．5．1 問題描述
2．5．2 結(jié)果與討論
2．6 本章小結(jié)
參考文獻(xiàn)
第3章 含突變點維納性能退化過程建模與剩余壽命預(yù)測
3．1 含突變點維納性能退化過程模型描述
3．1．1 設(shè)備的退化建模與剩余壽命預(yù)測
3．1．2 性能退化過程中的變點檢測
3．1．3 設(shè)備的退化模型——維納過程
3．1．4 指數(shù)族先驗分布的共軛分布
3．2 含突變點維納性能退化過程突變點檢測
3．2．1 貝葉斯在線變點檢測算法
3．2．2 先驗分布的經(jīng)驗貝葉斯確定方法
3．2．3 EM算法
3．3 基于貝葉斯在線變點檢測的剩余壽命預(yù)測方法
3．4 實例分析
3．5 本章小結(jié)
參考文獻(xiàn)
第4章 伽瑪退化過程建模與剩余壽命預(yù)測
4．1 伽瑪退化過程的定義
4．2 伽瑪退化過程的參數(shù)估計
4．2．1 矩估計法
4．2．2 極大似然估計法
4．3 基于伽瑪退化過程的設(shè)備剩余壽命預(yù)測
4．3．1 壽命分布
4．3．2 剩余壽命分布
4．3．3 可靠度函數(shù)
4．3．4 實例驗證
4．4 存在環(huán)境影響時伽瑪性能退化過程建模和維修
4．4．1 問題描述
4．4．2 存在外部環(huán)境影響時伽瑪性能退化過程剩余壽命分布計算
4．4．3 存在外部環(huán)境影響時基于伽瑪性能退化過程的維修決策
4．5 本章小結(jié)
參考文獻(xiàn)
第5章 逆高斯退化過程建模與剩余壽命預(yù)測
5．1 逆高斯退化過程的定義
5．2 基于ER融合的逆高斯退化模型參數(shù)估計方法
5．2．1 單個設(shè)備逆高斯退化過程參數(shù)估計
5．2．2 基于證據(jù)推理的固定參數(shù)融合
5．3 剩余壽命分布計算
5．4 實驗驗證
5．5 本章小結(jié)
參考文獻(xiàn)
第6章 基于支持向量機(jī)的性能退化建模與剩余壽命預(yù)測
6．1 SVR原理
6．1．1 原始問題與對偶問題
6．1．2 svR的稀疏性
6．1．3 核函數(shù)
6．2 基于GA優(yōu)化sVR的退化建模和剩余壽命預(yù)測方法
6．2．1 問題描述
6．2．2 基本思路
6．2．3 方法的具體步驟
6．2．4 實例分析
6．3 基于sVR和FcM聚類的實時退化建模和剩余壽命預(yù)測方法
6．3．1 問題描述
6．3．2 基本思路與具體步驟
6．3．3 實例分析
6．4 本章小結(jié)
參考文獻(xiàn)
第7章 基于相關(guān)向量機(jī)模糊模型的性能退化建模與剩余壽命預(yù)測
7．1 相關(guān)向量機(jī)模糊模型數(shù)學(xué)描述及特性分析
7．1．1 模糊模型數(shù)學(xué)描述
7．1．2 基于相關(guān)向量機(jī)的模糊模型
7．1．3 相關(guān)向量機(jī)模糊模型的一致逼近性
7．2 相關(guān)向量機(jī)模糊模型辨識
7．2．1 結(jié)構(gòu)辨識
7．2．2 參數(shù)辨識
7．2．3 基于相關(guān)向量機(jī)和梯度下降方法的模糊模型辨識算法
7．3 基于相關(guān)向量機(jī)模糊模型的退化建模與剩余壽命預(yù)測
7．4 實驗驗證
7．4．1 連續(xù)釜式攪拌器仿真系統(tǒng)描述
7．4．2 仿真實驗及其結(jié)果
7．4．3 結(jié)果分析
7．5 本章小結(jié)
參考文獻(xiàn)
第8章 基于證據(jù)推理的性能退化建模與可靠性預(yù)測
8．1 基于證據(jù)推理的性能退化建模
8．1．1 預(yù)測模型結(jié)構(gòu)與表達(dá)形式
8．1．2 基于證據(jù)推理的性能退化建模與預(yù)測
8．1．3 基于效用的數(shù)值型輸出
8．2 基于EM算法在線更新ER模型的可靠性預(yù)測
8．2．1 基于判斷性輸出的遞歸參數(shù)估計算法
8．2．2 基于數(shù)值輸出的遞歸參數(shù)估計算法
8．3 案例研究
8．3．1 問題描述
8．3．2 可靠性數(shù)據(jù)的參考點
8．3．3 退化建模與預(yù)測模型
8．3．4 基于判斷性輸出的仿真結(jié)果
8．3．5 基于數(shù)值輸出的仿真結(jié)果
8．4 本章小結(jié)
參考文獻(xiàn)
第9章 權(quán)值選優(yōu)粒子濾波性能退化建模與剩余壽命預(yù)測
9．1 權(quán)值選優(yōu)粒子濾波算法
9．1．1 粒子濾波算法及特性分析
9．1．2 權(quán)值選優(yōu)粒子濾波算法
9．2 權(quán)值選優(yōu)粒子濾波性能退化建模
9．2．1 性能退化過程描述
9．2．2 性能退化過程參數(shù)估計
9．3 權(quán)值選優(yōu)粒子濾波剩余壽命預(yù)測
9．4 仿真研究
9．5 本章小結(jié)
參考文獻(xiàn)
第10章 基于灰色預(yù)測模型的性能退化建模與剩余壽命預(yù)測
10．1 灰色預(yù)測模型
10．1．1 經(jīng)典的灰色預(yù)測模型GM（1，1）
10．1．2 改進(jìn)的灰色模型
10．2 基于改進(jìn)灰色模型的剩余壽命預(yù)測
10．3 基于改進(jìn)灰色模型的慣性器件性能退化軌跡建模
10．4 本章小結(jié)
參考文獻(xiàn)
第11章 基于壽命預(yù)測信息的退化設(shè)備檢測策略及應(yīng)用
11．1 設(shè)備檢測策略及其化目標(biāo)函數(shù)
11．2 基于剩余壽命預(yù)測的退化設(shè)備檢測策略
11．2．1 G（x）已知時設(shè)備的檢測周期
11．2．2 G（x）未知時設(shè)備的檢測周期
11．3 基于壽命預(yù)測信息的慣性平臺的檢測策略
11．4 本章小結(jié)
參考文獻(xiàn)
第12章 資源有限情形下兩部件系統(tǒng)的合作預(yù)測維修
12．1 資源有限情形下兩部件系統(tǒng)合作預(yù)測維修策略描述
12．1．1 基于壽命預(yù)測信息的期望失效次數(shù)估計
12．1．2 資源有限與失效模式相互影響情形下的維修效果建模
12．2 預(yù)測維修目標(biāo)函數(shù)建立及其優(yōu)化求解
12．2．1 目標(biāo)函數(shù)建立
12．2．2 費用率函數(shù)優(yōu)化求解
12．3 數(shù)值仿真
12．4 本章小結(jié)
參考文獻(xiàn)